LỜI MỞ ĐẦU
Tìm kiếm (truy vấn) hình ảnh là một vấn đề quan trọng trong lĩnh vực Xử lý ảnh .
Nhiệm vụ của bài toán này là tìm kiếm những hình ảnh tương tự trong bộ cơ sở dữ liệu
có giống hình ảnh mẫu cho trước. Đây là một bài toán rất thường gặp trong thực tế
điển hình như : khi ta có một hình ảnh một con vật hay bức ảnh đẹp. ta muốn tìm
những hình ảnh liên quan hay tương tự. Tuy nhiên, anh ta không thể ảnh rồi tìm hình
ảnh nào giống với hình ảnh anh ta mong muốn và việc này cũng tốn rất nhiều thời
gian. Lý do của vấn đề này là bởi ví số lượng hình ảnh hiện nay rất nhiều, đặc biệt là
trên internet, nếu để xem hết được tất cả hình ảnh đó thì sẽ mất rất nhiều thời gian.
Một ví dụ khác trong thực tế là việc phân loại hình ảnh. Khi người dùng xem hình ảnh
được chụp trong điện thoại, nếu để người dùng phải đọc tất cả các hình ảnh anh ta đã
chụp thì sẽ tốn rất nhiều thời gian vì hình ảnh là rất nhiều. Vì vậy, cần có một hệ thống
phân loại đâu là hình ảnh.
Để giải bài toán này đã có rất nhiều phương pháp được đưa ra như :Phương pháp
truy vấn ảnh theo nội dung là phương pháp tốt nhất.Tuy nhiên trong truy vấn ảnh theo
nội dung có rất nhiều các thuật toán cũng như các phương pháp khác nhau. Trong đó
truy vấn ảnh theo lược đồ màu là một trong nhưng phương pháp đơn giản và dễ tìm
hiểu nhất.Chính vì vậy chúng em lựa chọn đề tài: “Tìm kiếm hình ảnh dựa trên biểu
đồ màu cục bộ “ làm đề tài kết thúc môn học của mình.
Chúng em xin chân thành cảm ơn các thầy, cô bộ môn đã tận tình giảng dạy em
trong suốt thời gian học tập vừa qua. Nhờ có sự chỉ dạy tận tình của Thầy Nguyễn Hữu
Quỳnh trực tiếp hướng dẫn giảng dạy, cùng sự đào tạo của các thầy cô bộ môn khác
trong thời gian qua giúp chúng em hoàn thành bài báo cáo này. Do đây là lần đầu tiên
triển khai một hệ thống có tính thực tiễn cao, nên quá trình triển khai có thể còn nhiều
sai sót. Mong các thầy cô đóng góp ý kiến giúp chúng em hiểu rõ hơn về bài toán.
Một lần nữa chúng em xin chân thành cảm ơn các thầy cô!
Sinh viên thực hiện
Hoàng Ngọc Hưng
Hoàng Thọ Thịnh
MỤC LỤC
DANH MỤC HÌNH ẢNH

ảnh là mặt biển xanh. Vì vậy khi đánh giá một công nghệ tra cứu ảnh dựa trên nội dung
cần phải biết rằng hiệu quả của công nghệ đó phụ thuộc vào kiểu yêu cầu tra cứu mà
người dùng sử dụng.
1.1.4. Công nghệ tạo chỉ số và lưu trữ dữ liệu hiệu quả
Đối với một tập dữ liệu ảnh lớn thì không gian lưu trữ cho metadata là
rất cần thiết. Một hệ thống tra cứu ảnh dựa trên nội dung phải có những công
Trang 4
Báo cáo bài tập lớn môn: Xử lý ảnh
nghệ hiệu quả để quản lý metadata đồng thời phải có chuẩn để mô tả nó.
Chuẩn MP7 đang là chuẩn quan trọng nhất để mô tả metadata cho cả dữ liệu ảnh và dữ
liệu video. Khi một truy vấn được xử lý trên một cơ sở dữ liệu lớn, việc so sánh độ tương
tự giữa ảnh truy vấn và tất cả các hình ảnh từng cặp là không thể thực hiện được bởi
người dùng chỉ cần những ảnh có độ tương tự cao so với ảnh mẫu. Những chỉ số cấu trúc
có thể giúp tránh được việc tìm kiếm tuần tự và cải thiện truy vấn một cách hiệu quả nên
được sử dụng trong hệ thống tra cứu ảnh dựa trên nội dung. Hơn nữa với những cơ sở dữ
liệu ảnh thường xuyên thay đổi thì chỉ số cấu trúc động là rất cần thiết. Khi nội dung của
ảnh được thể hiện bởi các vector low dimension và khoảng cá ch giữa các ảnh được định
nghĩa( chẳng hạn như khoảng không gian được tính toán bằng khoảng cách Euclidean)
cây R và các thành phần của nó có thể được sử dụng để đánh chỉ số cho ảnh. Khi khoảng
cách không được định nghĩa như không gian vector hoặc khi không gian vector là
Hight dimension hoặc khi mà những gì chúng ta có chỉ là một hàm khoảng cách
tức là khoảng không metric thì những phương pháp để đánh chỉ số ảnh dựa trên hàm
khoảng cách trong không gian metric là thích hợp.
1.2. Đặc điểm tra cứu ảnh
Kiểu truy vấn nào thích hợp để người sử dụng đưa vào cơ sở dữ liệu ảnh? Để trả lời
câu hỏi này một cách sâu sắc dòi hỏi phải có sự hiểu biết chi tiết về nhu cầu của người sử
dụng: Tại sao những người dùng lại tìm kiếm ảnh, họ sử dụng chúng để làm gì, và họ
đánh giá lợi ích của hình ảnh mà họ tìm được như thế nào. Cảm giác chung gợi ra rằng
ảnh tĩnh được yêu cầu bởi một loạt các lý do gồm:
Minh họa của những bài báo, truyền đạt thông tin hoặc cảm xúc khó mô tả bằng từ

truy vấn ở mức 2b. Trong ví dụ đầu tiên ở trên hiểu biết trước tiên cần thiết để xác định
đối tượng là một chiếc xe buýt hơn là một chiếc xe tải. Trong ví dụ thứ 2 cần một tri
thức về một cấu trúc có tên là “tháp Eiffel”. Truy vấn mức này thường gặp hơn so với
mức 1.
Mức 3: Gồm tra cứu bởi những thuộc tính trìu tượng liên quan đến một số lượng đáng
kể suy luận ở mức cao về ý nghĩa và mục đích của đối tượng. Mức này có thể được chia
làm:
Tra cứu tên gọi của những sự kiện hoặc kiểu của hành động (ví dụ Tìm bức tranh về
điệu nhảy dân gian Scottish)
Tra cứu ảnh với những cảm xúc (“Tìm bức tranh mô tả sự đau khổ”)
Những thành công trong trả lời truy vấn ở mức này đòi hỏi một vài sự tinh tế của công
cụ dò tìm. Để tạo ra sự kết nối giữa nội dung ảnh và những khái niệm trìu tượng thì cần
phải có những lập luận phức hợp và những ý kiến chủ quan để minh họa. Nhưng truy vấn
ở mức độ này ít phổ biến hơn mức độ 2 và thường gặp ở báo chí và những thư viện nghệ
thuật.Chúng ta nhận thấy rằng sự phân lớp của các kiểu truy vấn này có thể có lợi cho
việc minh họa điểm mạnh cũng như những hạn chế của các công nghệ tra cứu ảnh khác
nhau. Khoảng cách đáng kể hiện nay nằm gữa mức 1 và mưc 2. Một số tác giả đề cập tới
mức 2 và mức 3 như là tra cứu ảnh dựa trên ngữ nghĩa, và vì vậy khoảng cách giữa mức 1
và mức 2 là khoảng cách ngữ nghĩa.
1.3. Những ứng dụng cơ bản của tra cứu ảnh
Tra cứu ảnh được ứng dụng trong rất nhiều lĩnh vực, những lĩnh vực thành công bao
gồm:
- Ngăn chặn tội phạm
- Quân sự
- Quản lý tài sản trí tuệ
- Thiết kế kiến trúc máy móc
- Thiết kế thời trang và nội thất
Trang 6
Báo cáo bài tập lớn môn: Xử lý ảnh
- Báo chí quảng cáo

Báo cáo bài tập lớn môn: Xử lý ảnh
Hinh 1. 1:Các chức năng chính của hệ thống tra cứu ảnh dựa trên nội Dung
Người sử dụng yêu cầu:
Có rất nhiều cách có thể đưa truy vấn trực quan. Một phương pháp truy vấn tốt là
phương pháp tự nhiên với người sử dụng tức là cung cấp đầy đủ thông tin từ người sử
dụng để trích chọn những kết quả có ý nghĩa. Những phương pháp dưới đây thường được
sử dụng trong kỹ thuật tra cứu ảnh dựa trên nội dung:
Truy vấn bởi ví dụ (QBE-Query By Examble): Trong kiểu truy vấn này người sử
dụng chỉ định một ảnh truy vấn gốc dựa trên cơ sở dữ liệu ảnh được tìm kiếm và so sánh.
Ảnh truy vấn có thể là một ảnh chuẩn, một ảnh quét với độ phân giải thấp, hoặc người sử
dụng vẽ bằng cách sử sụng công cụ vẽ đồ họa. Ưu điểm của kiểu hệ thống này là rất tự
nhiên đối với người sử dụng để tra cứu ảnh trong cơ sở dữ liệu ảnh.
Truy vấn bởi đặc điểm (QBF- Query By Feature): Trong hệ thống kiểu này người
dùng chỉ định câu hỏi bởi những đặc điểm chỉ định rõ ràng đó là những đặc điểm được
quan tâm trong tìm kiếm. Ví dụ người dùng có thể truy vấn cơ sở dữ liệu ảnh bởi việc đưa
ra một câu lệnh “Đưa ra tất cả những ảnh có góc bên trên trái chứa 25% điểm màu vàng”.
Truy vấn này được ngườidùng chỉ định bởi việc sử dụng công cụ giao diện đồ họa đặc
biệt. Những người sử dụng chuyên nghiệp thì có thể tìm kiếm kiểu truy vấn tự nhiên này
nhưng những người không chuyên thì rất khó. QBIC là một ví dụ về hệ thống tra cứu ảnh
dựa trên nội dung mà người sử dụng truy vấn kiểu này.
Những truy vấn dựa trên thuộc tính (Attribute-based queries):
Những truy vấn dựa trên thuộc tính sử dụng những chú giải kết cấu được trích chọn
đầu tiên bởi sự nỗ lực của con người như khoá tra cứu. Mô tả kiểu này đòi hỏi phải có
mức trìu tượng cao, cái rất khó đạt được mức độ tự động hoá hoàn toàn bởi vì ảnh gồm rất
Trang 8
Báo cáo bài tập lớn môn: Xử lý ảnh
nhiều thông tin và rất khó có thể tổng kết bằng một ít từ khoá. Trong khi phương pháp
này nhìn chung là nhanh hơn và dễ thực thi hơn thì nó vốn có sự chủ quan và mơ hồ ở
mức cao như đã giới thiệu phần trước.
Phương pháp truy vấn nào là tự nhiên nhất ? Với người sử dụng nói chung thì

chúng ta coi thông tin màu của ảnh là tín hiệu một, hai, hoặc ba chiều đơn giản thì việc
phân tích các tín hiệu sử dụng ước lượng mật độ sác xuất là một cách dẽ nhất để mô tả
thông tin màu của ảnh. Biểu đồ màu là một công cụ đơn giản nhất, những cách khác mô tả
thông tin màu trong tra cứu ảnh dựa trên nội dung gồm những đại diện màu, những
moment màu.
Kết cấu
Trang 9
Báo cáo bài tập lớn môn: Xử lý ảnh
Kết cấu được sử dụng rộng rãi và rất trực quan nhưng không có định nghĩa chính xác
bởi tính biến thiên rộng của nó. Có rất nhiều cách để mô tả kết cấu: Những phương pháp
thống kê thường sử dụng tần số không gian, ma trận biến cố, tần số biên Từ những đặc
điểm đơn giản này như là năng lượng, entropy, độ tương phản, độ thô, tính đồng nhất,
tính tương quan, đẳng hướng, pha, độ ráp, đã được nhận ra. Những phương pháp mô tả
kết cấu này tính toán các thuộc tính kết cấu khác nhau và hoàn toàn phù hợp nếu cỡ của
kết cấu gốc có thể được so sánh với cỡ của điểm ảnh
Hình dạng
Định nghĩa hình dạng của đối tượng thường là rất khó. Hình dạng thường được
biểu diễn bằng lời nói hoặc hình vẽ, và mọi người thường sử dụng thuật ngữ như là
tròn, méo. Xử lý hình dạng dựa trên máy tính đòi hỏi rất phức tạp, trong khi rất nhiều
phương pháp mô tả hình dạng thực tế đang tồn tại nhưng không có một phương pháp
chung nào cho mô tả hình dạng. Có hai kiểu đặc điểm hình dạng chính thường được sử
dụng: những đặc điểm dựa trên biên và những đặc điểm dựa trên vùng. Đặc điểm dựa
trên biên chỉ sử dụng đường bao ngoài của hình dạng trong khi đó đặc điểm vùng
sử dụng toàn bộ vùng của hình dạng. Ví dụ những đặc điểm biên bao gồm mã xích, mô tả
fourier, những đường viền hình học đơn giản như uốn cong, chiều dài biên, , đặc điểm
vùng như số chu trình, độ lệch tâm
Những đặc điểm mức cao
Phần lớn những nghiên cứu tra cứu ảnh dựa trên nội dung đều tập trung vào những
phương pháp ở mức thấp. Mặc dù vậy, một vài nghiên cứu đã cố gắng làm giảm khoảng
cách giữa mức thấp và mức cao, chúng có hướng tập trung vào một trong hai vấn đề sau.

trên nội dung tiêu biểu đòi hỏi phản hồi nhanh. Trong khoảng thời gian ngắn công
nghệ tìm kiếm thường phải tính toán hàng ngàn khoảng cách phụ thuộc vào cỡ của cơ sở
dữ liệu ảnh, bởi vậy độ phức tạp tính toán là rất quan trọng.Khả năng biến đổi: Quá
trình hệ thống thực hiện không nên bị giảm hiệu quả quá nhiều đối với cơ sở dữ liệu lớn
bởi vì mọt hệ thống có thể tìm kiếm trong cơ sở dữ liệu chứa hàng triệu ảnh. Một sự thi
hành đơn giản của một hệ thống tra cứu ảnh dựa trên nội dung là tính toán tất cả khoảng
cách giữa ảnh truy vấn và ảnh trong cơ sở dữ liệu ảnh, sau đó những khoảng cách này
được sắp xếp để tìm ra những ảnh tương tự nhất với ảnh truy vấn. Độ phức tạp của công
nghệ tìm kiếm này tương ứng với cỡ của cơ sở dữ liệu ảnh( hoặc là O(N) với N là số ảnh).
Công nghệ đánh chỉ số đa chiều có thể được sử dụng để làm giảm độ phức tạp xuống
O(log(N)). Tuy nhiên, theo báo cáo rằng việc thực hiện của những công nghệ đánh chỉ số
hiện thời đã giảm bớt được việc quét liên tục khi số chiều cần để đánh chỉ số là lớn hơn
20. Bởi vậy cần phải xem xét nhân tố này khi làm việc với cơ sở dữ liệ lớn.Hệ thước đo:
Vấn đề khoảng cách tương tự là có lên là hệ mét hay không vẫn chưa được quyết định
chính thức khi sự nhìn nhận của con người là rất phức tạp và chưa được hiểu một cách
đầy đủ. Chúng ta thích khoảng cách tương tự là một hệ đo khi chúng ta xem xét những
thuộc tính sau như là những yêu cầu rất tự nhiên:
- Sự bất biến của tương tự với chính nó: Khoảng cách giữa một ảnh
với chính nó là hằng số độc lập với ảnh.,,
d(A,A)=d(B,B)
- Sự tối thiểu: Một ảnh giống với nó hơn là với những ảnh khác
d(A,A)<d(A,B)
- Sự đối xứng: Là vô lý nếu chúng ta nói rằng ảnh A giống với ảnh B nhưng ảnh B
không giống với ảnh A
d(A,B)=d(B,A)
- Sự bắc cầu: Là vô lý nếu nói rằng ảnh A rất giống với ảnh B, ảnh B không giống vói
ảnh C nhứng ảnh C rất giống với ảnh A. Tuy nhiên, thuộc tính bắc cầu này có thể không
đúng cho một dãy các ảnh. Thậm chí nếu ảnh I(i) là giống với ảnh I(i+1)với tất cả i=1 N
thì điều này không có nghĩa rằng ảnh I(i)tương tự với ảnh I(N), ví dụ trong băng video
mỗi khung tương tự với khung kề nó nhưng khung đầu tiên và khung cuối cùng có thể là

Nếu chi phí của việc di chuyển một đơn vị đặc điểm đơn trong không gian đặc điểm là
khoảng cách chung thì khoảng cách giữa hai phân bố sẽ là tổng cực tiểu của giá trị để
di chuyển những đặc điểm riệng. Khoảng cách EMD co thể được định nghĩa như sau:
Ở đây gij biểu thị khoảng cách tương tự giữa bin i và bin j và gij>=0 là sự tối ưu hoá
giữa hai phân bố như là tổng giá trị được cực tiểu hoá,
Kolmogorov-Smirnov Distance (German,1990) :
Trang 12
Báo cáo bài tập lớn môn: Xử lý ảnh
Được định nghĩa như là sự khác nhau lớn nhất giữa những phân bố lũy tiến
Ở đây hc là biểu đồ luỹ tiến của biểu đồ h.
A Statistics of the Cramer/Von Mises:
1.4.4. Các phương pháp tra cứu ảnh dựa trên nội dung
Tra cứu ảnh dựa trên màu sắc
Tra cứu ảnh dựa trên nền tảng màu sắc tương tự hầu hết là biến đổi dựa trên ý tưởng
giống nhau. Mỗi ảnh khi đưa vào tập hợp ảnh đều được phân tích, tính toán một biểu
đồ màu đó là tỷ lệ của những điểm ảnh của mỗi màu trong ảnh. Sau đó biểu đồ màu của
mỗi ảnh sẽ được lưu trữ trong cơ sở dữliệu. Khi tìm kiếm người sử dụng có thể xác định
tỷ lệ của mỗi màu mong muốn ( ví dụ 75% Blue, 25% Red) hoặc đưa ra một ảnh mẫu với
biểu đồ màu đã được tính toán. Đồng thời khi đó quá trình đối sánh tra cứu những biểu đồ
màu của những hình ảnh này so sánh với biểu đồ màu của truy vấn gần nhất. Kỹ thuật đói
sánh được sử dụng phổ biến nhất là biểu đồ màu giao nhau được phát triển đầu tiên bởi
Swain and Ballard’s[1991]. Những kỹ thuật cải tiến từ kỹ thuật này ngày nay được sử
dụng rộng rãi trong các hệ thống tra cứu ảnh hiện thời.Phương pháp cải tiến dựa trên
công nghệ độc đáo của Swain and Ballard’s gồm cách sử dụng biểu đồ màu tích
lũy [Stricker and Orengo, 1995], kết hợp biểu đồ màu giao nhau với một số thành phần
đối sánh không gian [Stricker and Dimai, 1996] và sử dụng vùng truy vấn dựa trên màu
sắc [Carrson et al, 1997]. Kết quả của các hệ thống này đã tạo những ấn tượng khá sâu
sắc.
Tra cứu ảnh dựa trên kết cấu
Khả năng tra cứu ảnh dựa trên kết cấu tương tự dường như không hiệu quả nhưng khả

[jain and Vailaya,1996], khung biểu diễn hình dạng của đối tượng có thể được so sánh
bằng việc sử dụng những kỹ thuụât đố sánh đồ thị [Kimia et al,1977], Tirthap et al,
1998]. Những truy vấn đối với hệ thống tra cứu hình dạng thường được biểu diễn bằng
cách xác định một hình ảnh mẫu để thực hiện như là hình thức truy vấn hoặc như là một
bản phác thảo được vẽ ra bởi người sử dụng [Hirata and Kato, 1992], [Chan and
Kung, 1997]. Việc đối sánh hình dạng của các đối tượng 3 chiều là một công việc khó
khăn hơn. Trong khi chưa có giải pháp chung cho vấn đề này thì một số cách hữu ích đã
được tạo thành cho việc xác định độ đo của đối tượng từ nhiều khía cạnh khác
nhau. Một phương pháp đẫ được sử dụng để xây dựng tập mô hình 3 chiều thích hợp từ
ảnh 2 chiều có sẵn và đối sánh chúng với các mẫu khác trong cơ sở dữ liệu [Chen
and Stokman, 1996]. Một cách khác nhằm tạo ra một loạt các ảnh 2 chiều khác của
mỗi cơ sở dữ liệu đối tượng và mỗi ảnh này được đối sánh với ảnh truy vấn [Dickínon et
al, 1998]. Những vấn đề nghiên cứu có liên quan đến lĩnh vực này gồm định nghĩa những
độ đo tương tự hình dạng 3 chiều [Shum et al, 1996] và cung cấp phương tiện cho người
sử dụng tạo ra những truy vấn hình dạng 3 chiều [Horikoshi and Kasahara,1990].
Tra cứu ảnh bởi các đặc điểm khác
Một trong những phương tiện truy cập dữ liệu có hình ảnh cổ điển nhất là tra cứu bởi
vị trí của nó trong ảnh. Truy cập dữ liệu bởi không gian vị trí là một khía cạnh chủ yếu
của hệ thống thông tin địa lý, và các phương pháp hiệu quả để thực hiện công việc này đẫ
được áp dụng trong nhiều năm gần đây ( ví dụ Chock et al [1984], Roussopoulos et al
[1988]. Những công nghệ tương tự cũng đã được áp dụng cho những tập ảnh, cho phép
người sử dụng tìm kiếm những ảnh chứa các đối tượng có mối quan hệ không gian xác
định với các đối tượng khác (Chang et al[1998], Chang and jungert[1991]). Các thuật toán
được cải tiến cho việc tra cứu thuộc lĩnh vực không gian vẫn đang được đề xuất. Việc
đánh chỉ số không gian riêng nó thì ít hiệu quả, mặc dù nó chứng tỏ được hiệu quả của nó
trong việc kết hợp với các dạng khác như màu sắc và hình dạng.Một vài kiểu khác của
đặc điểm ảnh được đưa ra như là nền tảng cho việc tra cứu ảnh dựa trên nội dung. Hầu hết
những kiểu này đều dựa vào sự biến đổi phức tạp của cường độ của điểm ảnh. Đa
số các công nghệ đều hướng về việc trích chọn ra những đặc điểm phản ánh một số
khía cạnh của hình ảnh tương tự mà đối tượng con người có thể cảm nhận được, ngay cả

chiều. Những mô hình không gian màu có thể được phân biệt thành hướng phần cứng và
hướng người sử dụng. Mô hình không gian màu hướng phần cứng gồm RGB, CMY,
YIQ dựa trên học thuyết 3 màu. Mô hình không gian màu hướng người sử dụng bao
gồm HLS, HCV, HSV, HSB, MTM, CIE-LAB và CIE_LUV dựa trên 3 tỷ lệ phần
trăm của màu đó là sắc màu, độ bão hòa và cường độ sáng. Mỗi mô hình không gian màu
đồng thời có thể được phân biệt đồng dạng hoặc không đồng dạng dựa vào sự khác nhau
trong không gian màu được nhận biết bởi con người. (Trong thực tế không có không gian
màu đồng dạng đúng). Không gian màu đồng dạng xấp xỉ gồm MTM, CIE-LAB, CIE-
LUB.
2.1.1. Không gian màu RGB
Không gian màu RGB được định nghĩa như là một hình lập phương đơn vị với
3 trục tương ứng là Red, Green và Blue, vì vậy, một màu trong không gian màu RGB đại
diện cho một véc tơ với ba tọa độ. Khi tất cả ba giá trị đều bằng 0 thì cho màu Black, khi
tất cả ba giá trị đều bằng 1 thì cho màu White.
Hình 2. 1: Không gian màu RGB
Trang 16
Báo cáo bài tập lớn môn: Xử lý ảnh
Không gian màu RGB là sự lựa chọ phổ biến nhất cho ảnh kỹ thuật số, bởi vì màn hình
máy tính sử dụng những phospho red, green, blue để tạo ra màu mong muốn. Đồng thời
người lập trình cũng dẽ dàng hiểu và lập trình vì vậy không gian màu RGB được sử dụng
rộng rãi trong nhiều năm nay. Những định dạng ảnh thường được sử dụng như GIF, JPEG
và BMP luôn luôn lưu trữ và hiển thị màu trong không gian màu RGB. Vì vậy, tra cứu
ảnh dựa trên không gian màu RGB sẽ không cần sự chuyển đổi không gian màu, do đó nó
rất thuận tiện. Mặc dù vậy, do mô hình không gian màu RGB khó cảm nhận chẳng hạn
như người sử dụng khó có được sự cảm nhận về màu R = 100, G = 80, B = 50 và khó tìm
ra được sự khác nhau giữa hai màu R = 100, G = 50, B = 50 và R = 100, G = 150, B =
150 nên trong tra cứu ảnh dựa trên nội dung mô hình không gian màu RGB có thể được
chuyển đổi thành mô hình không gian màu khác để cải thiện sự cảm nhận.
2.1.2. Không gian màu HSx
Không gian màu HSI, HSV, HSB, HLS thường được gọi là HSx có mối liên quan gần

(0.715160), B(0.072169), X và Z là các thành phần màu. Không gian màu CIE
LUV là sự biến đổi của không gian màu XYZ. Kênh L là độ chói của màu, kênh U
và V là những thành phần màu. Vì vậy khi U và V được đặt bằng 0 thì kênh L biểu diễn
ảnh xám. Trong lượng tử hoá không gian màu LUV mỗi trục được lượng tử hoá với mức
xác định. Sơ đồ lượng tử hoá thường được sử dụng cho hai không gian màu này là
64, 125, 216 mức.
2.2. Biểu đồ màu
Biểu đồ màu là một tập hợp của các bin mà mỗi bin chỉ ra số pixel của một màu riêng
biệt trong ảnh. Biểu đồ màu H cho ảnh được định nghĩa như là một vector:
H={H[0], H[1], H[2],. , H[i],. H[N]}
I: đại diện cho một màu trong biểu đồ màu và tườn ứng với một hình vuông nhỏ trong
không gian màu RGB
H[i]: là số điểm có màu i trong ảnh
N: là số bin trong biểu đồ màu tức là số màu trong không gian màu được chấp nhận.
Trong biểu đồ màu của ảnh, giá trị của mỗi bin sẽ là tổng số điểm ảnh có cùng màu
tương ứng. Để so sánh những ảnh có kích cỡ khác nhau biểu đồ màu nên được chuẩn hóa
và biểu đồ màu chuẩn hóa được định nghĩa như sau:
H’={H’[0], H’[1], H’[2],. , H’[i],. H’[N]}
Với H’[i]= và P là tổng số các điểm trong ảnh.
Một lượng tử hóa không gian màu lý tưởng sao cho những màu khác biệt khôngnên
được định vị trong cùng một hình khối nhỏ, và những màu tương tự nên gán cho
cùng một hình khối nhỏ. Sử dụng ít màu sẽ làm giảm khả năng những màu tương tự được
Trang 18
Báo cáo bài tập lớn môn: Xử lý ảnh
gán cho những bin khác nhau nhưng nó làm tăng khả năng những màu phân biệt được gán
cho những bin giống nhauvà vì vậy nội dung thông tin của ảnh sẽ bị giảm đáng kể. Mặt
khác biểu đồ màu với số lượng lớn các bin sẽ chứa nhiều thông tin về nội dung ảnh hơn,
vì vậy, nó làm giảm khả năng các màu riêng biệt sẽ được gán cho các bin khác nhau, tăng
không gian lưu trữ cơ sở dữ liệu, tăng thời gian tính toán khoảng cách giữa các biểu đồ.
Chính vì thế cầ phải có sự cân nhắc trong việc xác định bao nhiêu bin nên được sử

giữa các biểu đồ màu ( như hình 2.3) và nó được định nghĩa như sau:
d(Q,I) =
Với Qvà I là 2 ảnh, N là số bin trong biểu đồ màu (đối với mỗi ảnh số lượng màu lược
giảm xuống N màu trong không gian màu RGB, bởi vậy mỗi biểu đồ màu có N bin).
là giá trị bin i trong biểu đồ màu của ảnh Q. là giá trị bin i trong biểu đồ màu của ảnh I
Hình 2. 4: Độ đo khoảng cách Minkowski
Khi r=1 thì khoảng cách Minkowski trở thành L1. Khi r=2 thì khoảng cách đó trở
thành khoảng cách Euclidean. Trong thực tế khoảng cách Euclidean có thể được xem
như khoảng cách không gian trong không gian đa chiều.
Trong đồ án này căn bậc hai của bình phương khoảng cách Euclidean
d(Q,I) =
Sẽ được sử dụng để tính toán khoảng cách giữa hai biểu đồ màu.
2.4.2. Thước đo khoảng cách Quadratic
Dự án QBIC [NBE +93] sử dụng thước đo khoảng cách màu Quadratic so sánh không
chỉ các bin giống nhau mà còn so sánh nhiều bin khác nhau giữa các biểu đồ màu (như
hình 2.4) và nó được định nghĩa như sau:
Trang 20
Báo cáo bài tập lớn môn: Xử lý ảnh
d(Q,I) =
Hình 2. 5:Độ đo khoảng cách Quadretic
Với Q và I là 2 ảnh, là biểu đồ màu của ảnh Q và nó là biểu đồ màu của ảnh I, A=[ai,j]
lfa một ma trận cỡ N*N với N là số bin trong các biểu đồ màu, và ai,j biểu thị sự tương tự
giữa màu i và màu j. Độ đo khoảng cách này khắc phục được sự thiếu sót của thước đo
khoảng cách dạng Minkowski đó là các bin trong biểu đồ màu hoàn toàn không liên quan
đến nhau.
2.4.3. Thước đo khoảng cách Non-histigram
Stricker và Orengo [SO95] đã đưa ra phương pháp Color Moments nhằm vượt
qua hiệu quả của lượng tử hóa biểu đồ màu. Trong phương pháp này những đặc điểm
phân bố màu của ảnh được biểu diễn bởi những đặc điểm chủ yếu của chúng (gọi
là các moment) đó là độ trung bình, sự thay đổi và tính đối xứng. Moment đầu tiên là màu

là:
=
GCH là một phương pháp truyền thống cho việc tra cứu ảnh dựa trên màu sắc. Mặc dù
vậy, nó không chứa các thông tin liên quan đến sự phân bố màu của các vùng. Vì vậy
khoảng cách giữa các ảnh đôi khi không thể chỉ ra được sự khác nhau thực sự giữa các
ảnh. Ví dụ khoảng cách giữa ảnh Avà C khác so với khoảng cách giữa ảnh A và B nhưng
bằng việc xây dựng GCH thì lại thu được khoảng cách tương tự. Ngoài ra còn có trường
hợp hai ảnh khác nhau có GCH giống nhau như ví dụ trên ảnh B và C. và đây chính là
hạn chế của biểu đồ màu toàn bộ.
Hình 2. 6:Ba ảnh và biểu đồ màu của chúng
2.5.2. Phương pháp tra cứu ảnh dựa trên lược đồ màu cục bộ
Phương pháp này được đề cập (gọi tắt là LCH) bao gồm thông tin liên quan đến sự
phân bố màu của các vùng. Trước tiên là nó phân đoạn ảnh thành nhiều khối và sau đó
biểu diễn biểu đồ màu cho mỗi khối, một ảnh sẽ được biểu diễn bởi những biểu đồ màu
Trang 23
Báo cáo bài tập lớn môn: Xử lý ảnh
này. Khi so sánh hai hình ảnh, khoảng cách được tính toán bằng cách sử dụng những biểu
đồ của chúng giữa một vùng trong một ảnh và một vùng tương ứng trong ảnh khác.
Khoảng cách giữa hai ảnh được xác định bằng tổng tất cả các khoảng cách này. Nếu sử
dụng căn bậc hai của khoảng cách Euclidean để tính toán khoảng cách biểu đồ thì khoảng
cách giữa hai ảnh Q và I cho biểu đồ màu cục bộ là:
D(Q,I) =
ở đây M là số vùng được phân đoạn trong ảnh, N là số bin trong biểu đồ màu và H[i] là
giá trị của bin i trong biểu đồ màu đại diện cho vùng k của ảnh. Những ví dụ dưới dây sử
dụng những hình ảnh giống nhau như hình 2.5 để chỉ ra hoạt động của LCH và minh họa
việc phân đoạn ảnh thành 4 khối có kích cỡ bằng nhau như thế nào.
Hình 2. 7:Sử dụng LCH để tính toán khoảng cách giữa ảnh A và B
,
Trang 24
Báo cáo bài tập lớn môn: Xử lý ảnh